[发明专利]一种基于YOLOv3的行人跟踪方法

说明书

本发明提供一种基于YOLOv3的行人跟踪方法，涉及计算机视觉中的目标跟踪应用领域。本方法包括目标检测、目标匹配和目标预测三个部分。目标检测部分使用YOLOv3实现对视野中所有行人的识别；目标匹配部分基于物体的颜色特征，将目标识别的结果与模板进行匹配，锁定想要跟踪的目标；目标预测部分通过对目标下一帧的位置进行预测，缩小检测的范围，从而实现跟踪准确率的提升。本发明能够对视频中的某个选定的行人进行单目标跟踪，跟踪精度达到约99％，跟踪速度达到每秒约22帧，能够满足实时性的需求。

技术领域

本发明涉及计算机视觉中的目标跟踪应用领域，尤其涉及一种基于YOLOv3的行人跟踪方法。

背景技术

YOLO(You Only Look Once)算法是Redmon等人在2016年提出的一种基于深度学习的目标检测算法，它以网络简洁，检测速度快等优势在深度学习目标检测算法邻域独树一帜。YOLOv3是其系列算法的第三个版本，其凭借高稳定性广受工业界欢迎。

目标跟踪作为计算机视觉的一个重要应用领域，其发展历经了以下三个阶段：早期经典的目标跟踪算法、基于相关滤波的目标跟踪算法和如今的基于深度学习的目标跟踪算法，其中基于深度学习的目标跟踪算法成为了当今目标跟踪技术的主流算法。2012年，基于深度学习的目标检测算法在图像识别等领域获得了巨大成功，其中最具代表性的是AlexNet网络。以此为分界线，基于深度学习的目标检测与跟踪算法开始在计算机视觉领域崭露头角。在VOT(Visual-Object-Tracking Challenge)2017大赛上，深度学习算法获得了非常优异的成绩。基于深度学习的目标跟踪算法的处理速度虽然比不上基于相关滤波的目标跟踪算法，但其跟踪准确率却呈现碾压的姿态，远优于基于相关滤波的目标跟踪算法和早期的经典算法。

发明内容

针对基于深度学习的目标跟踪算法的单目标跟踪准确率不高，实时性不足等问题，本发明提供一种基于YOLOv3的行人跟踪方法，实现高准确率且满足实时性的目标跟踪。

本发明的技术方案为，一种基于YOLOv3的行人跟踪方法，具体包括以下步骤：

步骤1：用户使用机器视觉软件，在待检测视频的第一帧手动框选跟踪目标，以此作为模板；

将视频暂停在第一帧，等待用户手动框选想要跟踪的目标；鼠标左键按下，打开绘制权限；移动鼠标，框选想要跟踪的目标；鼠标左键抬起，关闭绘制权限；确认绘制结果，以此作为模板。

步骤2：使用YOLOv3算法检测视频中的所有行人；

采用YOLO官方预先设置的COCO数据集，设置“person”标签为检测标准，仅保留标签为“person”的目标；使用YOLOv3算法检测视频中所有标签为“person”的物体，即检测所有行人。

步骤2.1：将输入图片的尺寸调整为固定大小；

步骤2.2：经过Darknet-53神经网络，对COCO数据集指定的物体进行检测；

步骤2.3：设置尺寸分类标准，根据目标尺寸的不同，分大、中、小三分支输出；

步骤3：使用颜色直方图算法，将所有行人检测结果与跟踪目标模板进行匹配，锁定跟踪目标；

步骤3.1：使用颜色直方图算法对图像颜色特征进行分析；

将待比较的两张图片的尺寸调整一致，计算统计颜色直方图，对于三通道的彩色图片，分别统计出R，G，B三种颜色直方图，最后计算巴氏系数，巴氏系数的计算公式为

其中ρ为巴氏系数，P和P’分别为两张图片的颜色直方图，P(i)和P’(i)分别为两张图片颜色直方图的第i个分量，N为分量总数；